拓端tecdat|R语言建立和可视化混合效应模型mixed effect model

2021-07-12 10:03 作者:拓端tecdat 0人读过 | 我要投稿

原文链接：http://tecdat.cn/?p=20631

原文出处：拓端数据部落公众号

我们已经学习了如何处理混合效应模型。本文的重点是如何建立和可视化混合效应模型的结果。

设置

本文使用数据集，用于探索草食动物种群对珊瑚覆盖的影响。

knitr::opts_chunk$set(echo = TRUE)
library(tidyverse) # 数据处理
library(lme4) # lmer glmer 模型
me_data <- read_csv("mixede.csv")

创建一个基本的混合效应模型：

该模型以珊瑚覆盖层为因变量（elkhorn_LAI），草食动物种群和深度为固定效应（c。 urchinden，c.fishmass，c.maxD）和调查地点作为随机效应（地点）。
。
注意：由于食草动物种群的测量规模存在差异，因此我们使用标准化的值，否则模型将无法收敛。我们还使用了因变量的对数。我正在根据这项特定研究对数据进行分组。

summary(mod)

## Linear mixed model fit by maximum likelihood ['lmerMod']
##
## AIC BIC logLik deviance df.resid
## 116.3 125.1 -52.1 104.3 26
##
## Scaled residuals:
## Min 1Q Median 3Q Max
## -1.7501 -0.6725 -0.1219 0.6223 1.7882
##
## Random effects:
## Groups Name Variance Std.Dev.
## site (Intercept) 0.000 0.000
## Residual 1.522 1.234
## Number of obs: 32, groups: site, 9
##
## Fixed effects:
## Estimate Std. Error t value
## (Intercept) 10.1272 0.2670 37.929
## c.urchinden 0.5414 0.2303 2.351
## c.fishmass 0.4624 0.4090 1.130
## c.maxD 0.3989 0.4286 0.931
##
## Correlation of Fixed Effects:
## (Intr) c.rchn c.fshm
## c.urchinden 0.036
## c.fishmass -0.193 0.020
## c.maxD 0.511 0.491 -0.431
## convergence code: 0
## boundary (singular) fit: see ?isSingular

绘制效应大小图：

如果您有很多固定效应，这很有用。

plot(mod)

效应大小的格式化图：

让我们更改轴标签和标题。

# 注意：轴标签应按从下到上的顺序排列。
# 要查看效应大小和p值，设置show.values和show.p= TRUE。只有当效应大小的值过大时，才会显示P值。
title="草食动物对珊瑚覆盖的影响")

模型结果表输出：

创建模型摘要输出表。这将提供预测变量，包括其估计值，置信区间，估计值的p值以及随机效应信息。

tab(mod)

格式化表格

# 注：预测标签（pred.labs）应从上到下排列；dv.labs位于表格顶部的因变量的名称。
pred.labels =c("(Intercept)", "Urchins", "Fish", "Depth"),

用数据绘制模型估计

我们可以在实际数据上绘制模型估计值！我们一次只针对一个变量执行此操作。注意：数据已标准化以便在模型中使用，因此我们绘制的是标准化数据值，而不是原始数据

步骤1：将效应大小估算值保存到data.frame中

# 使用函数。 term=固定效应，mod=你的模型。
effect(term= "c.urchinden", mod= mod)
summary(effects) #值的输出

##
##  c.urchinden effect
## c.urchinden
##     -0.7      0.4        2        3        4
##  9.53159 10.12715 10.99342 11.53484 12.07626
##
##  Lower 95 Percent Confidence Limits
## c.urchinden
##      -0.7       0.4         2         3         4
##  8.857169  9.680160 10.104459 10.216537 10.306881
##
##  Upper 95 Percent Confidence Limits
## c.urchinden
##     -0.7      0.4        2        3        4
## 10.20601 10.57414 11.88238 12.85314 13.84563

# 将效应值另存为df：
x  <- as.data.frame(effects)

步骤2：使用效应值df绘制估算值

如果要保存基本图（仅固定效应和因变量数据），可以将其分解为单独的步骤。注意：对于该图，我正在基于此特定研究对数据进行分组。

＃基本步骤：
＃1创建空图
#2 从数据中添加geom_points（）
#3 为模型估计添加geom_point。我们改变颜色，使它们与数据区分开来
#4 为MODEL的估计值添加geom_line。改变颜色以配合估计点。
#5 添加具有模型估计置信区间的geom_ribbon
#6 根据需要编辑标签！
#1
chin_plot <- ggplot() +
#2
geom_point(data , +
#3
geom_point(data=x_, aes(x= chinde, y=fit), color="blue") +
#4
geom_line(data=x, aes(x= chinde, y=fit), color="blue") +
#5
geom_ribbon(data= x , aes(x=c.urchinden, ymin=lower, ymax=upper), alpha= 0.3, fill="blue") +
#6
labs(x="海胆（标准化）", y="珊瑚覆盖层")
chin_plot

最受欢迎的见解

1.基于R语言的lmer混合线性回归模型

2.R语言用Rshiny探索lme4广义线性混合模型（GLMM）和线性混合模型（LMM）

3.R语言线性混合效应模型实战案例

4.R语言线性混合效应模型实战案例2

5.R语言线性混合效应模型实战案例

6.线性混合效应模型Linear Mixed-Effects Models的部分折叠Gibbs采样

7.R语言LME4混合效应模型研究教师的受欢迎程度

8.R语言中基于混合数据抽样(MIDAS)回归的HAR-RV模型预测GDP增长

9.使用SAS，Stata，HLM，R，SPSS和Mplus的分层线性模型HLM

标签：